Wij bouwen een calorieteller op basis van foto's, dus je zou verwachten dat we je vertellen dat het magie is. Dat is het niet. Hier is de eerlijke versie — de cijfers die de meeste apps in deze categorie stilletjes weglaten uit hun marketing.
De vraag die iedereen stelt voordat ze een foto-app vertrouwen
Je richt je camera op een bord pasta, de app zegt "620 kcal", en je eerste gedachte is: volgens wie? Terecht. Als het getal er zomaar de helft naast kan zitten, heeft de hele gewoonte geen zin. Dus, zijn AI-calorietellers eigenlijk nauwkeurig? Laten we scheiden waar foto-AI écht goed in is van waar het nog steeds gokt.
Wat opgelost is: herkennen wat er op je bord ligt
Herkennen wat je eet is inmiddels grotendeels een opgelost probleem. Moderne visiemodellen herkennen veelvoorkomende gerechten correct in zo'n 85–95% van de gevallen. Gegrilde kip, een burritobowl, roerei — het model kent ze. Onafhankelijke reviews van de "Snap It"-functie van Lose It schatten de voedselherkenning op ongeveer 70%, en reviews van Cal AI laten een afwijking van rond de 10% zien bij simpele, volledig zichtbare maaltijden. Herkenningsfouten zijn tegenwoordig de uitzondering, niet de regel.
Wat niet opgelost is: porties, verborgen vetten en gemengde gerechten
De echte fout zit in de portieschatting. Een foto is een platte 2D-afbeelding van een 3D-bord — het model kan je rijst niet wegen. Portieschattingen op basis van foto's wijken doorgaans ±15–30% af, en studies die beeldgebaseerde methoden vergelijken met gouden-standaard-metingen laten zien dat de inname gemiddeld zo'n 20% wordt onderschat.
Drie dingen maken het lastiger:
- Verborgen calorieën. De eetlepel olijfolie in de pan, de boter in de saus. Onzichtbaar op de foto, heel zichtbaar op de weegschaal. Reviewers van Cal AI signaleren consequent gemiste oliën en verborgen ingrediënten.
- Gemengde en verpakte gerechten. Stoofpotten, ovenschotels, burrito's — alles wat gelaagd is. Diezelfde Cal AI-reviews melden fouten van 25% of meer bij gemengde of verpakte gerechten — tegenover ~10% bij simpele gerechten.
- Diepte-onduidelijkheid. Een brede, ondiepe kom en een smalle, diepe kom kunnen er op foto bijna identiek uitzien terwijl ze heel verschillende hoeveelheden bevatten.
Het eerlijke foutenbudget ziet er dus zo uit: herkenning draagt weinig bij, porties dragen het meest bij.
De culinaire vooringenomenheid waar niemand het over heeft
Het meeste trainingsmateriaal voor voedsel-AI is sterk westers georiënteerd. Een cheeseburger krijgt een nauwkeurigere schatting dan een bord menemen, plov of een zelfgemaakte Turkse stoofschotel — niet omdat die gerechten moeilijker zijn, maar omdat het model er minder van heeft gezien. Als je buiten het westerse canon eet (veel van onze gebruikers doen dat — Kalo is beschikbaar in het Engels, Turks en Russisch), verwacht dan bredere foutmarges, en corrigeer vaker. Wij zijn hier ook niet immuun voor; niemand is dat op dit moment.
Waarom ±20% nog steeds goed genoeg is — als je snel corrigeert en dagelijks logt
Hier komt het deel dat als een smoesje klinkt maar door onderzoek wordt onderbouwd: consistentie wint het van precisie. De studie "Log Often, Lose More" (Obesity, 2019) vond dat de logfrequentie — niet de nauwkeurigheid — de significante voorspeller was voor gewichtsverlies, en dat de tijd die mensen aan tracken besteedden daalde van zo'n 23 minuten per dag naar zo'n 15 naarmate ze er handiger in werden. Ander onderzoek laat zien dat de beste indicator voor volhouden simpelweg het aantal dagen is waarop je minstens twee maaltijden logt.
Een schatting met ±20% afwijking die je écht elke dag noteert, verslaat een gram-perfecte invoer die je na twee weken opgeeft. En fouten heffen elkaar deels op: te veel geschat bij de lunch, te weinig bij het avondeten, en je wekelijkse trend — het getal dat er echt toe doet — blijft bruikbaar.
Twee eerlijke kanttekeningen. Als je klinische precisie nodig hebt (medische aandoeningen, physique-wedstrijden), is een keukenweegschaal plus een grote geverifieerde database zoals die van MyFitnessPal nog steeds het betere gereedschap — dat is echt hun sterke punt, samen met de restaurantdekking, al kost Premium nu $79,99/jaar en heeft hun crowdsourced database zijn eigen problemen met dubbele invoeren. En als je de goedkoopste bekende premium wilt, is Lose It voor $39,99/jaar moeilijk te verslaan, ook al presteert de portieschatting wisselend in tests.
Hoe Kalo omgaat met onzekerheid: zien, in twee tikken corrigeren
Omdat portiefout onvermijdelijk is, wordt de echte ontwerpvraag: wat doet de app eraan?
Kalo laat je zijn zekerheidsniveau zien in plaats van zekerheid voor te wenden — een wankele schatting ziet er ook wankel uit. En corrigeren is een actie van twee tikken direct op de resultaatkaart, geen vijf schermen diep graven in een bewerkmenu. Kiekje, blik, portie bijstellen, klaar. Hoe sneller de correctie, hoe vaker het écht gebeurt, en hoe scherper je echte nauwkeurigheid wordt.
De andere helft draait om waarom we Kalo rond vrienden hebben gebouwd. Je kunt tot 5 vrienden toevoegen, ieders dag naast elkaar zien, reageren en aanmoedigen, samen streaks opbouwen — want onderzoek zegt dat een partner die met je verandert de krachtigste hefboom is die er is (in een JAMA Internal Medicine-studie onder zo'n 3.700 stellen sprongen de kansen van rokers om te stoppen van ongeveer 8% naar bijna 50% wanneer hun partner tegelijk stopte — en hetzelfde patroon gold voor sporten en afvallen). Nauwkeurigheid houdt het getal eerlijk; gezelschap houdt de gewoonte levend. Eén vriend kan je als partner markeren en jullie delen Premium.
Als je een tracker wilt die eerlijk is over zijn foutmarges en makkelijk te corrigeren — en leuker met je mensen erbij — Kalo is er voor iOS en Android.